Impact of technical efficiency and input-driven growth in the Indian food processing sector
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose This study examines the performance of India's food processing sector by estimating its output growth, technical efficiency (TE) and input-driven growth (IDG) Design/methodology/approach This study used panel data from six food processing manufacturing industries for the period 2000–01 to 2017–18. Technical efficiency and input-driven growth was measured using the parametric half-normal stochastic frontier production function. Findings The findings of this study showed that the estimated average technical efficiency is 86.6%, which specifies that the Indian food processing sector is technically inefficient. In addition, the output growth rate is 5.5%, driven by high doses of inputs (5.7%), whereas there is no indication of constant returns to scale. However, the food processing sector has experienced more input-driven expansion than either technological or efficiency changes. Research limitations/implications This study is limited to India's organized manufacturing food processing sector; the aggregate macro data at a three-digit level based on the national industrial classification (NIC) was used. This study provides robust estimates for industrialists and processors, as well as concrete policy formulations on how overdoses of inputs may lead to high exploitation of resources, whereas outputs can be augmented by implementing upgraded and new technologies. Originality/value Previous research has estimated the total factor productivity and technical efficiency only in order to analyze the food sector's performance, but none of the studies have evaluated the share of inputs in growth performance and efficiency. Therefore, this study contributes by measuring growth performance and the share of inputs in the growth performance of India's food processing sector.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle